最大边际相关性
最大边际相关性 (MMR) 是一种重新排名方法，可平衡结果的相关性和与已选择结果的差异程度。
概述
It matters because pure relevance ranking often returns near-duplicate passages that waste space in a RAG context window.
深入探讨
当搜索系统纯粹根据与查询的相关性对文档进行评分时，最上面的结果通常是多余的——五个段落都说同样的事情。卡博内尔和戈尔茨坦于 1998 年推出的 MMR 通过一次选择一个结果来解决这个问题。在每一步中，它都会选择使加权混合最大化的候选者：lambda乘以与查询的相关性，减去（1减lambda）乘以与已选择的任何内容的最大相似度。接近 1 的 lambda 有利于纯粹的相关性；接近 0 有利于多样性。在检索增强生成中，MMR 很受欢迎，用于获取不同的块集，因此语言模型会看到互补的证据，而不是重复相同的事实，从而在不扩大上下文的情况下提高覆盖范围。
技术洞察
MMR 是一种贪婪的迭代算法。相关性和文档间相似度通常计算为嵌入向量之间的余弦相似度。评分公式为：MMR = argmax 超过 [ lambda * sim(doc, query) - (1 - lambda) * max sim(doc, selected) ] 的剩余文档。因为它每轮都会根据不断增长的选定集重新评估，所以它是顺序相关的，并且从 n 个候选者中选择 k 个选项，以大约 O(k*n) 的相似性比较运行。
战略影响
速度与规模
语言工作流程可以在不牺牲一致性的情况下更快地移动。
交通与覆盖范围
它扩展了跨语言和沟通方式的访问。
更清晰的判决
团队可以花更多时间进行判断，而自动化则可以处理重复。
最大边际相关性的未来
MMR 在 LangChain 和 Chroma 等矢量数据库客户端中仍然是一种轻量级默认设置，它作为单行检索模式提供。未来的系统越来越多地将其与学习的多样性目标、基于集群的选择和跨编码器重新排序器结合起来，这些重新排序器在语义上比余弦距离更能判断新颖性。随着上下文窗口的增长，重点从节省空间转向整理真正互补的证据，即使在原始容量充足的情况下，也能保持 MMR 等具有多样性意识的选择相关性。
现实世界的实施
RAG 聊天机器人使用 MMR 检索，因此其前 5 个块涵盖策略的不同方面，而不是同一段落的五个释义。
研究摘要工具应用 MMR 来挑选尽量减少重叠的段落，从而生成更广泛、更少重复的摘要。
新闻聚合商使用 MMR 对文章进行排名，以显示对同一事件的不同报道，而不是十家媒体重复同一个新闻报道。
LangChain 的向量存储检索器使用 fetch_k 和 lambda_mult 公开 search_type='mmr' 以使返回的文档多样化。
风险与防护栏
幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
及时的敏感性可能会在类似的请求中产生不一致的结果。
如果访问控制薄弱，敏感文本数据可能会暴露。
实施路线图
在推出之前定义输出格式、语气和质量标准。
当准确性很重要时，请使用可信来源进行地面响应。
为高风险输出保留人工审查检查点。
跟踪故障模式并定期重新训练提示或工作流程。
不断探索
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Maximum Marginal Relevance quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
常见问题
What is Maximum Marginal Relevance?
最大边际相关性 (MMR) 是一种重新排名方法，可平衡结果的相关性和与已选择结果的差异程度。这很重要，因为纯粹的相关性排名通常会返回近似重复的段落，从而浪费 RAG 上下文窗口中的空间。
MMR 旨在解决的主要问题是什么？
MMR 通过奖励新颖性，解决了仅相关性排名的趋势，即显示许多本质上相同的结果。
在MMR公式中，接近1的lambda值强调什么？
Lambda 权重相关性；接近 1 时，相关性项占主导地位，而接近 0 时，多样性（低相似性）项占主导地位。
MMR 如何选择结果？
MMR 是一种贪婪迭代方法：每次选择都会最大化相关性减去与已选择项目的最大相似度。
MMR 中最常用于文本嵌入的相似性度量是什么？
嵌入向量之间的余弦相似度是 MMR 中查询相关性和文档间比较的标准选择。
为什么 MMR 在检索增强生成 (RAG) 中特别有用？
通过使检索到的块多样化，MMR 帮助模型看到不同的证据，而不是重复相同的事实，从而提高覆盖率。